全球AI军备竞赛通信行业蓬勃发展.pdf
《全球AI军备竞赛通信行业蓬勃发展.pdf》由会员分享,可在线阅读,更多相关《全球AI军备竞赛通信行业蓬勃发展.pdf(107页珍藏版)》请在咨信网上搜索。
1、1行业评级:上次评级:行业报告|通信通信强于大市强于大市维持(评级)全球全球AI军备竞赛,通信行业蓬勃发展军备竞赛,通信行业蓬勃发展行业投资策略回顾总结与未来展望回顾总结与未来展望3请务必阅读正文之后的信息披露和免责申明通信产业链全景图:通信产业链全景图:通信产业链最下游两大条线,围绕运营商,以及围绕B端/G端等行业客户应用。运营商产业链:以5G、10GPON等网络建设,以及流量增长带来的网络持续升级扩容,驱动整个硬件/软件/工程维护等产业链的成长;2B/2G等应用:以算力(及配套的IDC、光模块、网络设备)、云视频、物联网等为主的丰富的产业应用,受益5G等新技术的变革,产业链持续发展。4资料
2、来源:Wind、天风证券研究所请务必阅读正文之后的信息披露和免责申明5G通信网络建设上游零部件厂商射频器件世嘉科技武汉凡谷大富科技国人通信天线/阵子通宇通讯世嘉科技飞荣达科创新源硕贝德散热壳体银宝山新科创新源飞荣达光模块中际旭创光迅科技华工科技新易盛剑桥科技PCB/CCL深南电路沪电股份生益科技华正新材建滔连接器中航光电意华股份金信诺立讯精密主设备商宏基站中兴通讯华为爱立信诺基亚供电/防雷俊知集团中恒电气科士达新雷能中光防雷铁塔中国铁塔华体科技中嘉博创制冷英维克依米康佳力图应用上量基础设施物联网终端模组移远通信广和通日海智能高新兴移为通信乐鑫科技博通集成5G流量应用视频会议亿联网络苏州科达淳中
3、科技云通信梦网集团中嘉博创IDC机房宝信软件光环新网奥飞数据数据港万国数据流量监控及内容分发网宿科技中新赛克恒为科技光通信设备烽火通信中兴通讯诺基亚华为中兴通讯烽火通信紫光股份星网锐捷华为思科增长逻辑:5G基站上量,从预期到兑现流量增长的网络扩容上游零部件主设备商SDN/NFV设备光模块中际旭创光迅科技华工科技新易盛剑桥科技海信宽带LumentumFinisar光器件太辰光天孚通信博创科技LumentumFinisarSemtech增长逻辑:5G用户渗透,流量快速增长,网络扩容服务器/交换机浪潮信息中科曙光星网锐捷紫光股份增长逻辑:ISP厂商基于新应用和新内容增长,加大云计算基础设施投入网优网
4、维三维通信超讯通信宜通世纪国脉科技海格通信中富通华星创业世纪鼎利创意信息中国移动运营商中国联通中国电信鹏博士中国广电BOSS系统天源迪科思特奇亚信科技东方国信网络优化/运维行情回顾行情回顾板块行情回顾板块行情回顾回顾2022年初至2022年12月31日行情,通信指数跌幅15.60%,排名第14名(总计31个行业)。从产业角度来看,我们认为通信指数2022年初至2022年年底表现排名市场整体中游水平的主要原因包括:1)运营商资本开支增速放缓;2)外部宏观环境影响等。从整体持仓比例来看,2022年,通信板块基金持仓处于历史较低水平。21Q4-22Q3机构通信持仓比例有所提升,但22Q4 的机构持仓
5、比例进一步下降至1.17%,显著低于同期通信行业A股总市值占比的3.59%,处于明显低配状态,且也处于历史较低水平。5资料来源:Wind、天风证券研究所请务必阅读正文之后的信息披露和免责申明行情回顾行情回顾板块估值有望逐步修复,重点关注低估值高成长方向板块估值有望逐步修复,重点关注低估值高成长方向从通信整体估值水平比看,板块估值水平自2019年以来持续低于创业板平均估值,并且差距逐步扩大,纵向比较也处于通信板块历史估值底部区间。展望未来,通信行业部分细分产业链有望充分受益全球AI大趋势以及国内数字经济,行业景气度有望持续得到印证。6资料来源:Wind、天风证券研究所请务必阅读正文之后的信息披露
6、和免责申明展望未来展望未来#1 全球科技巨头加速布局,全球科技巨头加速布局,AIGC产业高速发展产业高速发展2022年12月,Open AI的大型语言生成模型ChatGPT火热。随后,全球各大科技企业都在积极拥抱AIGC,不断推出相关技术、平台和应用。生成算法、预训练模式、多模态等AI技术累计融合,催生了AIGC的高速发展。GPT模型对比BERT模型、T5模型的参数量有明显提升。GPT-3是目前最大的知名语言模型之一,包含了1750亿(175B)个参数。在GPT-3发布之前,最大的语言模型是微软的Turing NLG模型,大小为170亿(17B)个参数。GPT-3 的paper 也很长,ELM
7、O 有 15 页,BERT 有 16 页,GPT-2 有 24 页,T5 有 53 页,而 GPT-3 有 72 页。7资料来源:数字金融网微信公众号、Language Models are Few-Shot LearnersTom B.Brown等、天风证券研究所请务必阅读正文之后的信息披露和免责申明展望未来展望未来#2 网络先行,辅以终端普及,催生内容与应用网络先行,辅以终端普及,催生内容与应用从时间逻辑上讲,新一代网络科技浪潮,将又是一个先网络建设,辅以终端普及,而后推动内容与应用渗透的过程。因此网络是先行的;近年来,新兴应用的涌现,亦是依托于新一代基础基建的逐步完善。5G网络时代,终端
8、的丰富性预计将会强很多(从5G手机到VRAR设备到可穿戴设备到无人驾驶汽车等但爆款仍有待观察),内容和应用目前雏形:VRAR游戏云计算人工智能无人驾驶工业互联网等等。5G应用:1)万物互联,快速打开物联网/车联网市场空间,汽车智能化大趋势下大量细分领域迎来发展新机遇;2)RCS、视频应用、MCN等5G应用迎来机会;3)计算需求提升,边缘计算也将逐步上量;8资料来源:IMT5G推进组官网、创维数字官网、天风证券研究所请务必阅读正文之后的信息披露和免责申明5G服务工业教育家居交通农业AIGC引导产业变革引导产业变革Part#19请务必阅读正文之后的信息披露和免责申明10请务必阅读正文之后的信息披露
9、和免责申明资料来源:中国信息通信研究院和京东探索研究院,天风证券研究所3.13.1.AIGCAIGC:孕育数字经济新业态的关键技术:孕育数字经济新业态的关键技术AIGC(Artificial Intelligence Generated Content,人工智能生成内容,人工智能生成内容)是通过人工智能算法对数据或媒体进行生产、操控和修改的统称,是通过人工智能算法对数据或媒体进行生产、操控和修改的统称,是继专业生成内容是继专业生成内容(PGC)和用户生成内容和用户生成内容(UGC)之后自动生成内容的新型生产方式之后自动生成内容的新型生产方式。AIGC的兴起源于深度学习技术的突破和日益增长的数字
10、内容供给需求。的兴起源于深度学习技术的突破和日益增长的数字内容供给需求。一方面,深度学习技术驱动AIGC可用性不断增强;另一方面,海量需求牵引AIGC应用落地。AIGC有望成为数字内容创新的新引擎,为数字经济发展注入全新动能。有望成为数字内容创新的新引擎,为数字经济发展注入全新动能。AIGC 不仅能以低边际成本、高效率的方式进行信息挖掘、复刻编辑等基础性机械劳动,还能创新内容生产的流程和范式,提升内容生产的创造力。同时,AIGC 能够通过支持数字内容与其他产业的多维互动、融合渗透从而孕育数字经济的新业态新模式,打造经济发展新增长点。图:图:AIGCAIGC发展历程发展历程11请务必阅读正文之后
11、的信息披露和免责申明资料来源:中国信息通信研究院和京东探索研究院,天风证券研究所3.13.1.AIGCAIGC:孕育数字经济新业态的关键技术:孕育数字经济新业态的关键技术AIGC根据面向对象、实现功能的不同分为智能数字内容孪生、智能数字内容根据面向对象、实现功能的不同分为智能数字内容孪生、智能数字内容编辑和智能数字内容创作三个层次。编辑和智能数字内容创作三个层次。智能数字内容孪生主要目标是建立现实世界到数字世界的映射;智能数字内容编辑主要目的是建立数字世界与现实世界的双向交互。在数字内容孪生的基础上,从现实世界实现对虚拟数字世界中内容的控制和修改,同时利用数字世界高效率仿真和低成本试错的优势,
12、为现实世界的应用提供快速迭代能力;智能数字内容创作主要目标是让AI算法具备内容创作和自我演化的能力,使得 AIGC 产品具备类似甚至超越人的创作能力。以上三个层次的能力共同构成 AIGC 的能力闭环。图:图:AIGCAIGC的技术能力层次的技术能力层次12请务必阅读正文之后的信息披露和免责申明资料来源:中国信息通信研究院和京东探索研究院,天风证券研究所3.13.1.AIGCAIGC:孕育数字经济新业态的关键技术:孕育数字经济新业态的关键技术深度学习的发展带来了神经网络在大模型和多模态两个方向的不断突破,为深度学习的发展带来了神经网络在大模型和多模态两个方向的不断突破,为AIGC技术能力的升级提
13、供强力支撑。技术能力的升级提供强力支撑。当前AIGC技术从追求生成内容的真实性这一基本需求,发展到满足生成内容多样性、可控性的进阶需求,并开始追求生成内容的组合性。在应用上,在应用上,AIGC以其真实性、多样性、可控性和组合性的特征,有望帮助各行业提高内容生产效率,并为其提供更为丰富多元、动以其真实性、多样性、可控性和组合性的特征,有望帮助各行业提高内容生产效率,并为其提供更为丰富多元、动态且可交互的内容态且可交互的内容。以传媒行业为例,AIGC+传媒可以实现人机协同生产,推动媒体融合。在采编环节,采访语音转写、智能新闻写作加视频剪辑,可以提升新闻资讯的时效性。在传播环节,AIGC应用集中于以
14、AI合成主播为核心的新闻播报领域,并呈现应用范围不断拓展、应用场景不断升级和应用形态日趋完善的特点。图:图:AIGCAIGC多模态大模型生成结果图多模态大模型生成结果图图:图:AIGCAIGC应用视图应用视图13请务必阅读正文之后的信息披露和免责申明资料来源:ACM,IEEE Xplore,NIPS,天风证券研究所3.23.2.大模型拓展大模型拓展AIAI应用可能边界应用可能边界近年,随着机器学习研究的不断深入,大规模并行化计算和迁移学习理论逐步形成,结合硬件层面算力和适配性的提升,大模型应运而近年,随着机器学习研究的不断深入,大规模并行化计算和迁移学习理论逐步形成,结合硬件层面算力和适配性的
15、提升,大模型应运而生。较过往的场景化生。较过往的场景化AI应用,大模型性能明显增强,实现了可执行任务的多样性,极大拓展了应用,大模型性能明显增强,实现了可执行任务的多样性,极大拓展了AI应用可能边界。应用可能边界。前期理论研究和算法突破奠定大模型基础。前期理论研究和算法突破奠定大模型基础。Thrun等人证明AI模型可以实现迁移学习迁移学习(transfer learning),即将从特定任务的模式识别能力用于另一项任务1。此外,异步优化算法异步优化算法(asynchronous algorithm)的完善,大幅提高了系统利用率,使得实证中模型优化速度明显提升。Transformer模型开启大模
16、型时代。模型开启大模型时代。2017年提出的Transformer模型完全基于多注意力机制3,该结构更易并行化和进行多任务学习,模型训练时间也明显更少。该模型迅速成为深度学习主流模型框架,衍生的自回归系列架构、自编码系列架构等在生成性任务和自然语言理解上大放异彩。图:并行同步和异步算法比较图:并行同步和异步算法比较22图:图:TransformerTransformer和多注意力机制结构和多注意力机制结构3314请务必阅读正文之后的信息披露和免责申明资料来源:Github,openAI官网,天风证券研究所3.23.2.大模型拓展大模型拓展AIAI应用可能边界应用可能边界openAI等团队不断改
17、进模型结构,并通过轻量化方法对模型进行“瘦身”,让大模型实现效率、成本和性能的综合性提升。等团队不断改进模型结构,并通过轻量化方法对模型进行“瘦身”,让大模型实现效率、成本和性能的综合性提升。GPT-1和和GPT-2模型结构基于模型结构基于Transformer的解码器的解码器(decoder)而来而来。GPT-1模型使用12层的Transformer解码器结构和掩码自注意力机制,以探索该模型架构在多任务学习上的表现。GPT-2模型在GPT-1模型基础上,调整和添加了层标准化,并调整残差层权重以应对残差路径上的累积问题。GPT-3模型在模型在GPT-2模型上进行了改进和模型大小扩充,以追求小样
18、本学习情境下的泛化能力。模型上进行了改进和模型大小扩充,以追求小样本学习情境下的泛化能力。GPT-3模型使用和GPT-2模型基本相同的结构,但其中也借鉴了Sparse Transformer中的Dense层和Locally Banded Sparse Attension层设置。考虑到之前GPT-2模型在无微调情况下的多任务表现欠佳,GPT-3模型扩充了其模型层数和维度,使得参数最大可以达到1750亿个。InstructGPT和和ChatGPT在在GPT-3模型研究基础上,进一步改进其模型结构。模型研究基础上,进一步改进其模型结构。根据openAI官网公布,作为作为ChatGPT姊妹模型的姊妹模
19、型的InstructGPT参数数量为参数数量为13亿个亿个,模型明显小于GPT-3模型,但在性能上并不逊于后者,且更少出现伪造信息等问题。图:图:InstructGPTInstructGPT模型大小及性能描述模型大小及性能描述图:图:GPTGPT-1 1模型结构模型结构44图:图:GPTGPT-2 2模型大小模型大小55图:图:GPTGPT-3 3模型大小模型大小6615请务必阅读正文之后的信息披露和免责申明资料来源:Github,openAI官网,天风证券研究所3.23.2.大模型拓展大模型拓展AIAI应用可能边界应用可能边界除了模型结构的演化,训练方法和训练集的改进也让除了模型结构的演化,
20、训练方法和训练集的改进也让大模型输出更加贴近用户需求大模型输出更加贴近用户需求,进一步提升大模型的实用性。,进一步提升大模型的实用性。GPT系列模型不断强化多任务学习能力及泛化能力。系列模型不断强化多任务学习能力及泛化能力。GPT-1模型中,openAI团队采用无监督学习预训练无监督学习预训练+有监督微调模式有监督微调模式,测试发现针对特定任务区分性微调后的GPT-1表现较传统任务特化模型更佳。考虑到任务相关数据集的可获得性及成本和微调过程中过拟合任务相关数据集等问题,GPT-2仅对模型进行了无监督学习预训练,并测试其在多任务中的表现。考虑GPT-2模型表现的不足,GPT-3模型引入了无监督学
21、习预训练了无监督学习预训练+少样本学习模式少样本学习模式,相较于之前的有监督微调,少样本学习仅需要不到100个样本数据(zero-shot:不提供样本,one-shot:提供1个样本,few-shot:提供10-100个样本),对任务相关数据集的需求量大幅下降,同时模型依旧在各项任务测试中取得较好表现。GPT系列模型训练集生成方式在不断改进,训练集大小快速上升。系列模型训练集生成方式在不断改进,训练集大小快速上升。GPT-2模型所用的训练数据集规模超过40GB,而为了满足超大模型对训练数据的需求,GPT-3模型使用了超过45TB数据进行训练。图:图:GPTGPT-3 3模型少样本学习后的表现模
22、型少样本学习后的表现66图:图:GPTGPT-1 1模型结构及有监督微调训练方式(橙色部分)模型结构及有监督微调训练方式(橙色部分)4416请务必阅读正文之后的信息披露和免责申明资料来源:openAI官网,天风证券研究所3.23.2.大模型拓展大模型拓展AIAI应用可能边界应用可能边界除了模型结构的演化,训练方法的改进也让除了模型结构的演化,训练方法的改进也让大模型输出更加贴近用户需求大模型输出更加贴近用户需求,进一步提升大模型的实用性。,进一步提升大模型的实用性。InstructGPT和和ChatGPT模型进一步更新训练模式,提升其对人类思维的理解能力模型进一步更新训练模式,提升其对人类思维
23、的理解能力。基于前述模型的研究结果,InstructGPT和ChatGPT模型的训练方式更新为RLHF(基于人类反馈的强化学习方法):对模型进行监督微调对模型进行监督微调(fine-tuning)训练奖励模型训练奖励模型(RM)基于奖励模型进行近端策略优化基于奖励模型进行近端策略优化(PPO)。在这一过程中,基于人类排序标注的训练集训练得到的奖励模型能够有效反映人类的表基于人类排序标注的训练集训练得到的奖励模型能够有效反映人类的表达和思维习惯,这使得模型相较过去的大模型能够更好遵循达和思维习惯,这使得模型相较过去的大模型能够更好遵循用户的意图。用户的意图。图:图:InstructGPTInst
24、ructGPT和和ChatGPTChatGPT训练方式训练方式77图:图:InstructGPTInstructGPT多维度综合表现评估多维度综合表现评估17请务必阅读正文之后的信息披露和免责申明资料来源:ArXiv,天风证券研究所3.23.2.大模型拓展大模型拓展AIAI应用可能边界应用可能边界ChatGPT等大模型的成功,意味着等大模型的成功,意味着AI模型的通用性实现了突破,显著降低了研发成本,满足了当前日益碎片化、多样化的模型的通用性实现了突破,显著降低了研发成本,满足了当前日益碎片化、多样化的AI解决方案解决方案需求需求。大模型具有以下几点主要优势:1.大模型可以提供具有通用性的预训
25、练方案;大模型可以提供具有通用性的预训练方案;2.大模型具备自监督学习功能,降低了模型训练成大模型具备自监督学习功能,降低了模型训练成本;本;3.大模型有望进一步突破大模型有望进一步突破AI模型结构精度局限。模型结构精度局限。大模型为应用端提供了“预训练大模型大模型为应用端提供了“预训练大模型+下游任务微调下游任务微调/少样本学习”的低成本解决方案,自监督学习让模型训练不再依赖昂贵的少样本学习”的低成本解决方案,自监督学习让模型训练不再依赖昂贵的人工标注数据集,人工标注数据集,AI应用有望从“手工厂”模式走向“流水线”模型。图:图:大模型,既是单一模型,也是多模型大模型,既是单一模型,也是多模
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 全球 AI 军备竞赛 通信 行业 蓬勃 发展
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【Stan****Shan】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【Stan****Shan】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。